Třetí díl seriálu Obsah s AI: 10 strategií, které fungují. Nový díl vychází každý pátek.
Prompt je zadání. Kdo umí zadávat práci člověku, umí zadávat i jazykovému modelu, protože platí totéž: čím konkrétnější zadání, tím menší prostor pro průměrný výsledek.
Rozdíl mezi špatným a dobrým zadáním
Špatné zadání zní: napiš článek o investování do kryptoměn. Model na něj odpoví tím, co je statisticky nejběžnější, tedy obecným textem, jaký už na internetu existuje v tisících kopií.
Lepší zadání vypadá takhle: napiš průvodce prvními kroky v investování do kryptoměn pro konzervativní investory ve věku 40 až 55 let, kteří rozumí podílovým fondům a dluhopisům, ale nedůvěřují digitálním měnám. Vysvětluj přes analogie s nástroji, které už znají. Adresuj tři konkrétní obavy: volatilitu, riziko ztráty přístupu k peněžence a nejasné zdanění v Česku. Nepoužívej slovo revoluce ani přirovnání ke zlatu. Rozsah 1200 slov, struktura: problém, tři kroky, co udělat tento týden.
Druhé zadání není delší pro efekt. Každá věta v něm odstraňuje jeden způsob, jak by model mohl sklouznout k obecnosti. Věková a znalostní charakteristika brání tomu, aby text vysvětloval základy někomu, kdo je zná. Zákaz dvou konkrétních formulací brání dvěma nejčastějším klišé oboru. Určení struktury brání tomu, aby text skončil bez doporučení.
Napsat takové zadání trvá tři minuty. Opravit obecný text, který vznikne z prvního zadání, trvá půl hodiny a obvykle skončí tím, že ho stejně přepíšete.
Čtyři věci, které do zadání patří skoro vždy
První je kontext, tedy pro koho a proč text vzniká. Bez něj model volí nejobecnější možné publikum, což je publikum, které neexistuje.
Druhá je struktura, tedy jak má výsledek vypadat. Když neurčíte strukturu, dostanete tu, kterou model viděl nejčastěji, a to je obvykle úvod plný obecností, pět stejně dlouhých sekcí a shrnutí, které neshrnuje.
Třetí je perspektiva, tedy z jakého úhlu má být téma pojaté. Stejné téma napsané z pohledu člověka, který službu prodává, a z pohledu člověka, který ji reklamuje, jsou dva úplně jiné texty.
Čtvrtá jsou zákazy, tedy co v textu být nemá. Ten bod se opomíjí nejčastěji a přitom má největší efekt, protože jazykové modely mají silné výchozí sklony k určitým formulacím a bez explicitního zákazu se k nim vrátí. Do šablony se vyplatí dát aspoň tohle: žádné úvody typu „v dnešní době“, žádná spojení „nejde jen o X, ale o Y“, žádné vágní odkazy na studie bez konkrétního zdroje a žádné trojice přídavných jmen.
Řetězení a knihovna promptů
Rozdělit práci na kroky funguje lépe než jedno velké zadání. Nejdřív osnova, po schválení jednotlivé sekce, na konec kontrola. Model má v každém kroku užší úkol a menší prostor odchýlit se.
Prompty, které fungují, si ukládejte. Zní to jako banální rada, ale rozdíl mezi člověkem, který si vede knihovnu dvaceti ověřených zadání, a člověkem, který každý den píše zadání znovu od nuly, je po půl roce propastný. Ten první má nástroj, ten druhý má koníčka.
Ke každému uloženému promptu si poznamenejte, u kterého modelu fungoval a kdy. Přenositelnost mezi modely není samozřejmá a zadání vyladěné na jeden model dává u jiného výrazně horší výsledek. Po každé větší aktualizaci modelu se vyplatí knihovnu projít znovu.
Co nefunguje, i když to koluje po sítích
Kolují rady typu „vysvětli koncept bez použití písmene e“ jako cvičení kreativity pod tlakem. U jazykových modelů to nefunguje spolehlivě.
Důvod je technický. Modely nepracují s písmeny, ale s tokeny, tedy s kousky slov. Zadání formulované na úrovni jednotlivých písmen se tedy míjí s tím, jak model text vůbec vidí. Model takové zadání pravidelně poruší a vy strávíte víc času kontrolou než tvorbou.
U češtiny to platí dvojnásob, protože se rozpadá na tokeny hůř než angličtina. K tomu se dostaneme podrobněji v díle o personalizaci, kde má tahle vlastnost přímý dopad na náklady.
Fact-checking: nejdůležitější část celé kapitoly
Jazykové modely si vymýšlejí. Ne proto, že by byly vadné, ale protože generují statisticky pravděpodobné pokračování textu, a pravděpodobně znějící tvrzení nemusí být pravdivé.
Nejnebezpečnější nejsou výmysly nápadné, ale ty přesvědčivé. Model neřekne, že Praha leží u moře. Řekne, že podle studie z roku 2023 vzrostla konverze o 34 %, což zní přesně jako věta, kterou jste někde četli, a proto ji bez váhání pustíte dál.
Kolik toho modely vymyslí, se dnes měří hůř, než by se čekalo. OpenAI ve své systémové kartě z července 2026 neuvádí ani skóre v SimpleQA, ani v LongFact a omezuje se na kvalitativní konstatování, že nejnovější model dělá mírně méně faktických chyb než předchozí. Že největší hráč tvrdá čísla o faktické spolehlivosti nezveřejňuje, je samo o sobě informace, kterou byste měli mít při plánování redakčního procesu na paměti.
Proč jsou nejzrádnější citáty
Ukázkový příklad je výrok „Nikdy netestuj hloubku řeky oběma nohama najednou“, který se po internetu i po AI výstupech šíří jako citát Warrena Buffetta. Neexistuje k němu žádný primární zdroj.
Nenajdete ho v dopisech akcionářům Berkshire Hathaway ani v žádném doloženém rozhovoru. Objevuje se výhradně na agregátorech citátů, vždy bez uvedení, kdy a kde to Buffett řekl. Přitom stejné rčení je široce publikováno jako africké přísloví. Model vám ho ochotně připíše Buffettovi, protože tak to na internetu stojí tisíckrát.
I citát, který atribuci nejspíš má správně, stojí za ověření. Francisi Baconovi se připisuje „Chytře se ptát je z poloviny vědět“. Latinská předloha zní „Prudens interrogatio quasi dimidium sapientiae“, tedy prozíravá otázka je jakoby polovina moudrosti. To slůvko quasi se v překladech pravidelně ztrácí a výrok tím zbytečně zabsolutňuje.
A i tak platí, že doslovný primární pramen se nepodařilo doložit ani specializovaným databázím citátů. Citát je zkrátka formát, který se po internetu šíří bez zdroje snáz než cokoli jiného, a modely se učí právě z toho internetu.
Pravidlo, které vám ušetří ostudu
Každé číslo, jméno, datum a citát z AI výstupu ověřte v primárním zdroji, než to publikujete. Ne v druhém AI nástroji, ne v prvním výsledku vyhledávání, ale v primárním zdroji.
Primární zdroj znamená studii, ne článek o studii. Rozhodnutí soudu, ne shrnutí od advokátní kanceláře. Ceník poskytovatele, ne srovnávací tabulku na blogu. Rozdíl mezi těmito dvěma úrovněmi je přesně to místo, kde do oběhu vstupují chyby, které pak žijí roky.
Praktický režim, který se osvědčuje, je jednoduchý. Při psaní si k tvrzením s číslem rovnou lepte odkaz, i kdyby jen do poznámky. Text pak před publikací projděte a hledejte v něm věty, které tvrdí něco měřitelného a odkaz nemají. Buď zdroj doplníte, nebo větu vyhodíte.
To zní pracně, ale je to nesrovnatelně levnější než jediná veřejná oprava. Chyba, kterou publikujete, je vaše, ne modelu.
Předchozí díl: Publikační plán, který počítá s tím, že objem nefunguje. Příští pátek: Personalizace, která není jen jiné oslovení.
Celý seriál Obsah s AI
1. Proč většina rad o AI obsahu už neplatí · 2. Publikační plán, který počítá s tím, že objem nefunguje · 3. Prompty, které dělají rozdíl, a fact-checking · 4. Personalizace, která není jen jiné oslovení · 5. Viditelnost v roce, kdy se přestalo klikat · 6. Kde končí AI a začíná člověk · 7. Obrázky, a jak se pozná marketingový mýtus · 8. Měření, které něco říká · 9. Jeden obsah, víc kanálů, bez copy-paste · 10. Právo a etika, konkrétně a ke stavu k srpnu 2026 · 11. Postavit systém, ne hromadu článků · 12. Co si z celého seriálu odnést